Una nueva y eficiente técnica de detección de estrés personalizada que utiliza un modelo de aprendizaje profundo

Área de la Ciencia:

• Lingüística computacional
• Inteligencia artificial
• Psicología

Sus antecedentes:

• El estrés afecta significativamente la salud de los adultos y los ancianos, lo que lleva a enfermedades crónicas.
• La detección de estrés a partir del texto de las redes sociales presenta desafíos debido a la complejidad y las demandas computacionales.
• Los modelos existentes de aprendizaje automático y aprendizaje profundo se enfrentan a limitaciones como largos tiempos de capacitación y limitaciones de características.

Objetivo del estudio:

• Desarrollar una técnica eficiente y precisa para la detección de estrés a partir del texto de las redes sociales.
• Superar las limitaciones de los métodos existentes en términos de tiempo de formación y utilización de las características.
• Mejorar la precisión de la detección de tensiones mediante la integración y optimización de nuevos modelos.

Principales métodos:

• Integración de técnicas avanzadas de representación de texto: FastText, Vectores globales para la representación de palabras (Glove), DeepMoji y XLNet.
• Utilización de una convolución separable por profundidad con red residual (DSC-ResNet) para la detección precisa de tensiones.
• Empleando el algoritmo de optimización de Chaotic Fennec Fox (CFFO) para el ajuste de hiperparámetros.

Principales resultados:

• La técnica propuesta alcanzó una alta precisión del 98,42%.
• La precisión, el recuerdo, la especificidad y la puntuación F1 fueron reportados en 97.58%, 98.12%, 98.28% y 98.38%, respectivamente.
• El modelo demostró un rendimiento superior en comparación con las técnicas existentes.

Conclusiones:

• La nueva integración de las representaciones de texto y DSC-ResNet ofrece una solución eficiente para la detección de estrés.
• El método propuesto aborda efectivamente las limitaciones de los enfoques anteriores, proporcionando una alta precisión y rendimiento.
• Esta técnica es prometedora para aplicaciones en el mundo real en el monitoreo de la salud mental a través del análisis de las redes sociales.